在新冠疫情肆虐時，使用傳統(tǒng)分析技術并因此而嚴重依賴大量歷史數據的企業(yè)意識到了一件重要的事情：許多此類模式已不再有用。這場疫情幾乎改變了一切，令許多數據失去了作用。

而具有前瞻性的數據和分析團隊正在從依靠“大”數據的傳統(tǒng)人工智能技術轉向數量較少、但更加多樣化的“小”數據。

Gartner發(fā)布的2021年十大數據和分析趨勢之一便是從大數據轉向小而寬的數據。這十大趨勢是數據和分析領導者必須重視的業(yè)務、市場和技術動態(tài)。

Gartner杰出研究副總裁RitaSallam表示：“這些數據和分析趨勢可以幫助企業(yè)機構和社會應對未來三年的顛覆性變革、巨大不確定性以及它們所帶來的機遇。數據和分析領導者必須主動研究如何順勢而為，根據這些趨勢做出加快自身預測、轉變和應對能力的關鍵任務投資。”每一項趨勢都可以歸入以下三大主題之一：

加速數據和分析變革：

運用AI創(chuàng)新、經過改進的可組合性以及多元化數據源的敏捷、高效整合。

通過更有效的XOps實現業(yè)務價值的運營：

優(yōu)化決策并將數據和分析轉化為業(yè)務的一個組成部分。

分布式實體（人和物）：

需要靈活地將數據和洞察力聯(lián)系起來，以增強更多的人和物的能力。

趨勢一：更智能、更負責、可擴展的AI（Smarter， more responsible，scalable AI）

更智能、更負責、可擴展的AI將優(yōu)化學習算法，使系統(tǒng)更具解釋性并加快價值實現速度。企業(yè)機構將開始對人工智能系統(tǒng)提出更多的要求，它們需要明確如何擴大技術規(guī)模。但到目前為止，這仍是一個難題。傳統(tǒng)人工智能技術嚴重依賴歷史數據，而新冠疫情給業(yè)務環(huán)境所帶來的改變使歷史數據失去作用。這意味著人工智能技術必須能夠通過“小數據”技術和自適應機器學習來依靠較少的數據運行。為了成為遵循道德約束的人工智能，這些人工智能系統(tǒng)還必須保護隱私、遵守法規(guī)并盡量減少偏見。

趨勢二：組裝式數據分析架構（Composable data and analytics）

組裝式數據分析架構使用來自多個數據、分析和人工智能解決方案的組件來獲得靈活、對用戶友好且實用的體驗，讓高管能夠將數據洞見與業(yè)務行動相聯(lián)系。Gartner客戶問詢顯示，大部分大型企業(yè)機構都有一個以上的“企業(yè)標準”分析和商業(yè)智能工具。將多個業(yè)務能力組件組合成新的應用可促進生產力和敏捷性。組裝式數據分析不但可以鼓勵合作、提高企業(yè)機構的分析能力，還可以增加分析的使用。

趨勢三：數據編織是基礎（Data fabric as the foundation）

隨著數據的日益復雜以及數字化業(yè)務的加速發(fā)展，數據編織架構已成為支持組裝式數據分析及其各種組件的基礎架構。由于在技術設計上能夠使用/重復使用及組合不同的數據集成方式，數據編織可縮短30%的集成設計時間、30%的部署時間和70%的維護時間。另外，數據編織既可以運用現有的數據中樞、數據湖和數據倉庫的技術和技能，也可以在未來加入新的方法和工具。

趨勢四：從“大”數據到“小”而“寬”的數據（From big to small and wide data）

面對日益復雜的人工智能問題及數據用例稀缺方面的挑戰(zhàn)，企業(yè)機構正用小而寬的數據取代大數據來解決許多問題。憑借“X分析”技術，即使用寬數據分析各種小而多樣化（寬）的非結構化和結構化數據源并發(fā)揮它們的協(xié)同效果，從而增強情境感知和決策。顧名思義，小數據指的是能夠使用所需數據量較少，但仍能提供實用洞見的數據模型。

趨勢五：XOps

XOps（數據、機器學習、模型、平臺）的目標是運用DevOps的最佳實踐實現效率和規(guī)模經濟，在保證可靠性、可重用性和可重復性的同時，減少技術和流程的重復并實現自動化。這項技術將實現原型的擴展并為受管轄的決策系統(tǒng)提供靈活的設計與敏捷的協(xié)調。總體而言，XOps將使企業(yè)機構能夠通過數據和分析的運營化來推動業(yè)務價值的實現。

趨勢六：工程化決策智能（Engineered decision intelligence）

工程化決策智能是一門包含傳統(tǒng)分析、人工智能和復雜自適應系統(tǒng)應用等廣泛決策的學科。工程化決策智能不僅適用于單個決策，還適用于連續(xù)的決策。這項技術可以將決策編組成為業(yè)務流程，甚至為新興決策網絡。憑借這項技術，企業(yè)機構能夠更快獲取推動業(yè)務行動所需的洞見。當與可組裝性和通用數據編織架構相結合時，工程化決策智能將為企業(yè)機構決策優(yōu)化方式的重新考量或重新設計帶來新的可能性并提高決策的準確性、可重復性和可追溯性。

趨勢七：數據和分析成為核心業(yè)務功能（Data and analytics as a core business function）

企業(yè)領導者正逐漸了解到使用數據和分析來加速數字化業(yè)務計劃的重要性。數據和分析不再只是一個由獨立團隊負責完成的次要重點，而是轉變?yōu)橐豁椇诵墓δ堋５髽I(yè)領導者往往低估了數據的復雜性，最終錯失良機。如果首席數據官（CDO）能夠參與目標和戰(zhàn)略的制定，那么他們就可以將業(yè)務價值的持續(xù)產出效率提高2.6倍。

趨勢八：圖技術使一切產生關聯(lián)（Graph relates everything）

圖技術已成為現代數據和分析的基礎，能夠增強并改進用戶協(xié)作、機器學習模型和可解釋的人工智能。雖然圖技術對數據和分析而言并不是一項新鮮的事物，但隨著企業(yè)機構發(fā)現的用例日益增加，圍繞圖技術的思維方式已發(fā)生轉變。事實上，在關于人工智能的Gartner客戶問詢中，有多達50%的問詢涉及到有關圖表技術使用的討論。

趨勢九：日益增多的增強型數據消費者（The rise of the augmenter consumer）

以前的企業(yè)用戶受限于預定義儀表盤和手動的數據探索。一般情況下，只有探索預定義問題的數據分析師或公民數據科學家才能使用數據和分析儀表盤。但Gartner認為，未來這些儀表盤將被自動化、對話式、移動式和動態(tài)生成的洞見所取代，而且這些洞見均根據用戶需求定制并被交付至用戶需要消費這些數據的時候，使企業(yè)機構中的任何人都能獲得原來只有少數數據專家才能掌握的洞見和知識。

趨勢十：數據和分析正在向邊緣移動（Data and analytics at the edge）

存在于傳統(tǒng)數據中心和云環(huán)境之外的數據分析技術開始增加，它們正在向物靠近。這能夠減少或杜絕以數據為中心的解決方案所產生的延遲并增加實時價值。通過將數據和分析轉移到邊緣，數據團隊將有機會擴展自身的能力并將變化延伸到業(yè)務的不同部分。同時，這還解決了因法律或監(jiān)管原因而無法從特定地域移動數據這一問題。

責任編輯：lq